מאגרי מזון ונתוני תזונה: חיבור בינה מלאכותית למקור הנכון

רווחים:

• יכולת להבין את הצורך בהשגת ערכים תזונתיים ממאגרי מידע ידועים (USDA, TÜBER, BeBiS) ולא מזיכרון בינה מלאכותית
• יכולת לכוון בינה מלאכותית לבצע חישובים ופרשנויות רק עם הנתונים שנלקחו מהמקור, עם היגיון RAG
• יכולת למנוע טעויות תזונתיות על ידי התחשבות בהמרות גולמיות/מבושלות, בהירות המנות ועקביות המקור

בלב עבודתה היומיומית של דיאטנית עומדת השאלה "כמה יש ברכיב תזונתי זה?" יש שאלה. כמה גרם חלבון ב-100 גרם חזה עוף? כמה גרם סיבים יש בפרוסת לחם מחיטה מלאה? כמה קלוריות יש בכף שמן זית? התשובות לשאלות אלו נמצאות במאגרי מידע של הרכב מזון - טבלאות רשמיות המפרטות את תכולת האנרגיה, המאקרו והמיקרו-נוטריינטים של אלפי מזונות על סמך ניתוח מעבדה. הטעות המסוכנת ביותר של בינה מלאכותית בתחום זה היא לחשוב שהיא "זוכרת" את המספרים הללו. עם זאת, מודל השפה אינו משנן מספרים; זה מייצר באופן הסתברותי ולעתים קרובות נותן ערכים שקרובים למציאות אבל לפעמים שגויים ברצינות. המסר העיקרי של יחידה זו ברור: קבל את הערך התזונתי ממסד נתונים מוכר, לא מזיכרון הבינה המלאכותית; השתמש ב-AI כדי לעבוד עם נתונים מדויקים, לא כדי לזכור נתונים.

מסדי נתונים ידועים ולמה הם משמשים

המקורות העיקריים בשימוש נרחב בעולם ובטורקיה הם:

מסד נתונים

היקף

נקודה חזקה

תשומת לב

USDA FoodData Central (ארה"ב)

גדול מאוד, ~ רבע מיליון רשומות

מפורט, בחינם, עם API

מוצרים בארה"ב; אוכל מקומי מוגבל

תוספי תזונה של TÜBER / Türkiye

המטבח הטורקי ממוקד

אוכל ומנות מקומיות

היקף צר יותר מאשר USDA

BeBiS (מערכת מידע תזונתית)

תוכנה נפוצה בטורקיה

מתכונים טורקיים

תוכנה ברישיון

USDA/EuroFIR

נתוני הרכב אירופיים

תקן מבוסס מדינה

הגישה יכולה להיות מוסדית

הכוונה ב"API" היא הממשק המאפשר לתוכנה לשאול שאלות (אוטומטיות) לבסיס הנתונים ולקבל תשובות מובנות. קיום API למשאבים כמו USDA FoodData Central מאפשר לחבר כלי AI לנתונים אמיתיים בעתיד. זה הבסיס לגישת "בינה מלאכותית מונעת נתונים": לא להתאים למודלים, לצייר מהמקור האמיתי.

שימו לב: אותו חומר תזונתי עשוי להראות ערכים שונים במאגרי מידע שונים; מכיוון שמצב החקלאות, המגוון, שיטת הבישול והניתוח שונים. אין מספר "נכון" אחד; יש טווח סביר. רשום באיזה משאב אתה משתמש בתוכנית לקוח כדי שתוכל להיות עקבי.

היגיון "שליפה": חיבור ה-AI למקור

ביישומים מודרניים, הדרך לחבר בינה מלאכותית לנתונים אמיתיים היא גישת RAG - Retrieval-Augmented Generation באנגלית. פשוט: במקום להתאים את התשובה מהזיכרון, המודל מושך תחילה נתונים רלוונטיים ממקור אמין (מסד נתונים, מסמך), ואז מייצר תשובה על סמך הנתונים הללו. בפועל אתה מיישם את זה בשתי דרכים:

1. האכלה ידנית: אתה מעתיק את ערכי המזון מהטבלה המהימנה ונותן אותו ל-AI; AI רק מחשב/מפרש עם הנתונים האלה, הוא לא מוסיף מספרים מהזיכרון שלו.
2. רכב מחובר: אתה משתמש ברכב המחובר למסד נתונים; ה-AI מעביר את השאילתה למקור בפועל ומשתמש בערך המוחזר.

בשני המקרים, כלל הזהב זהה: המספר מגיע מהמקור, ה-AI מפרש אותו. "כמה ברזל יש ב-100 גרם עדשים?" שאל YZ. לשאול שאלה פתוחה זה להזמין בדיה.

מוצר גנרי, מוצר ממותג ותמהיל ארוחות

למאגרי מידע של חומרים מזינים יש מספר רשומות תחת אותו שם, ובחירה ברשומה הלא נכונה היא מקור שקט לטעויות. לדוגמה, חיפוש "יוגורט" ייתן לך עשרות שיאים שונים, כגון יוגורט מלא שומן, חצי שומן, נטול שומן, יוגורט מסוג יווני (מסונן) ויוגורט פירות ממותק; הקלוריות והמאקרו שלהם רחוקים מאוד אחד מהשני. ביוגורט יווני יש כמעט פי שניים חלבון מהיוגורט הרגיל. באופן דומה, רשומות "מוצר ממותג" (מוצר ארוז של חברה) ורשומות "תזונה כללית" נושאות ערכים שונים. בתרגול טוב, אתה תואם את המוצר שהלקוח צורך בפועל הכי קרוב שאפשר: אם אפשר, על סמך התווית התזונתית על האריזה, אחרת אתה בוחר את התיאור הכי קרוב במאגר. שאל את ה-AI "איזה רשומה עלי לבחור?" כאשר אתה מתייעץ, זה יכול להציע לך את מונח החיפוש הנכון; אבל בחירת התקליטים הסופית וההשוואה לתווית נמצאת בשליטתך. שימוש באותו רישום עבור אותו חומר תזונתי לאורך כל התוכנית חשוב גם לעקביות; שימוש בחלב מלא שומן חצי מהזמן ובחלב דל חצי מהזמן יעוות את הסכומים.

המרות מנות ובישול

מאגרי מידע תזונתיים בדרך כלל נותנים ערכים לכל 100 גרם גולמי. אבל הלקוח אוכל עדשים מבושלות, לא עדשים גולמיות. המשקל משתנה על ידי ספיגת מים במהלך הבישול; 100 גרם של אורז גולמי עולה ל-~250-300 גרם בבישול. לכן, ל"מבושל 200 גרם" ול"גולמי 100 גרם" יש ערכים תזונתיים שונים. בינה מלאכותית יכולה לעשות את השינויים האלה, אבל היא יכולה לבלבל את הכיוון. תמיד הבהירו אם הערך בו אתם משתמשים הוא נא או מבושל; זהו מקור תכוף לטעויות חישוב.

שלושה מיני תיקים

מקרה 1 - לתפוס הזיה. דיאטנית שאלה את YZ, "כמה גרם חלבון יש ב-100 גרם ברוקולי מבושל?" הוא שואל; AI אומר "בערך 8 גרם". הדיאטנית מסתכלת על USDA: הערך האמיתי הוא ~2.4 גרם. AI ערבב אותו עם נתוני קטניות/אגוזים וניפח אותו פי שלושה. הדיאטנית משתמשת בערך הנכון. שיעור: ירקות ירוקים דלים בחלבון; המספר לא נכון רק בגלל שהוא שוטף.

מקרה 2 - בלבול גולמי/מבושל. בטיוטה של ​​תוכנית, ה-AI משתמש בערך הגולמי של "150 גרם פסטה" (~525 קק"ל), בעוד שהלקוח אוכל 150 גרם פסטה מבושלת (~210 קק"ל). ההפרש הוא 315 קק"ל בארוחה אחת, וזו סטייה רצינית גם בארוחה אחת ביום. הדיאטנית מבהירה את יחידת המידה ל"מבושלת" ומחשבת מחדש.

מקרה 3 - שימוש נכון. דיאטנית מעתיקה את ערכי ה-100 גרם של עוף, אורז וברוקולי מה-USDA, ונותנת אותם ל-AI עם ההוראה "פשוט לחשב את סך המאקרו לארוחה עם הנתונים האלה, תוך הוספת מספרים מהזיכרון שלו". AI מוסיף רק עם מספרים נתונים; הדיאטנית מאשרת על ידי טריקת זה בחזרה. הנתונים הגיעו מהמקור, AI עשה את החשבון.

תבניות הנחיות הניתנות להעתקה

תבנית חישוב עם נתוני מקור (לוגיקת RAG)תפקידך: עוזר שעובד רק עם הערכים התזונתיים שניתנו לך.הוסף או שנה ערכים תזונתיים מהזיכרון שלך. אם חסרים נתונים כתוב "[ללא נתונים]", השלמת. נתונים (ל-100 גרם, מקור: USDA):- חזה עוף (מבושל): 165 קק"ל, 31 גרם חלבון, 3.6 גרם שומן, 0 גרם פחמימות- אורז (מבושל): ...משימה: חשב את סך הקק"ל והמקרו עבור 120 גרם עוף + 150 גרם אורז.

תבנית המרה גולמית/מבושל הערך של המזון הבא ניתן לכל 100 גרם RAW: [ערכים]. הלקוח אוכל [X] גרם מבושל. בעת בישול, המשקל ~[יחס] משתנה. בהתאם לכך, חשב את הערך התזונתי של הכמות הנאכלת וכתוב בצורה ברורה באיזו הנחה אתה משתמש.

תבנית הכנת שאילתת מסד נתונים אני רוצה למצוא את הערך התזונתי של הארוחה. רשום באיזה מונח עלי לחפש במאגר המזון (USDA/TUBER) את המזונות הבאים, באיזה רשומה עלי לבחור, גולמי/מבושל. אל תיתן לך את הערכים; פשוט אמור לי את מונח החיפוש הנכון ואת נקודת תשומת הלב. רכיבי תזונה: [...]

תבנית בדיקת עקביות פרש את הערכים התזונתיים של הארוחה הבאה בשתי דרכים שונות: (1) בהנחה שכל המזונות הם נא, (2) בהנחה שכל המזונות מבושלים. השוו בין שני הסכומים והסבירו מהיכן נובע ההבדל. אז אני יכול לראות איזו הנחה אני צריך לאמת.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

כמה קלוריות יש בקערת מרק עדשים?

"מנה" מעורפל, המתכון מעורפל, המקור נעדר; ה-AI מרכיב מספר מהזיכרון שלו ולא אומר איך הוא הגיע אליו.

הנחיה עוצמתית:

תפקידך: עוזר שמחשב רק עם הנתונים הנתונים. הגשת מרק עדשים = 300 גרם. רכיבים (ערכים ל-100 גרם, מקור USDA, אני נותן להלן): עדשים אדומות (מבושלות) [ערכים], בצל [ערכים], שמן זית [ערכים]. כמויות למנה: [...]. חשב סה"כ קק"ל ומקרו עם הנתונים האלה, אל תוסיף מהזיכרון, הראה שלבים.

מקור ההנחיה השני נותן את ההגשה, מידע גולמי/מבושל ואת אילוץ ה"אל תוסיף"; הפלט ניתן לביקורת ואמין.

טעויות נפוצות

• אמון בזיכרון של ה-AI: תשאול פתוח לגבי הערך התזונתי; זו הזמנה להזיה.
• מבלבל גולמי/מבושל: הטעות השקטה הנפוצה ביותר; תמיד הבהיר את יחידת המידה.
• מקור בלבול: ערבוב חומרים מזינים שונים ממאגרי מידע שונים; השתמש במשאבים עקביים בתוכנית.
• השארת המנה מעורפלת: חישוב ביטויים כמו "צלחת", "חופן" מבלי להמירם לגרמים.
• התמקדות במספר בודד במקום בטווח: שכחה שלאותו מזון יש טווח ערכים סביר; יצירת ודאות כוזבת.

לסיכום

נתונים תזונתיים הם האזור שבו מודל השפה החלש ביותר; מכיוון שהדגם לא זוכר את המספרים, הוא מייצר אותם. אז קבל תמיד את הערכים התזונתיים ממסד נתונים מוכר (USDA, TÜBER, BeBiS) והשתמש ב-AI כדי לחשב ולפרש רק את הנתונים האלה - בהתבסס על לוגיקה RAG, נתונים שנשלפו מהמקור. שימו לב להמרות גולמיות/מבושלות, בהירות המנות ועקביות המקור. רק בגלל שהמספר יצא שוטף זה לא נכון; אתה יכול לקבל את האמת רק על ידי עבודה עם המקור.

משימת יישום

בחרו שלושה מזונות (לדוגמה, ביצים מבושלות, לחם מחיטה מלאה, יוגורט יווני). ראשית, שאל את ה-AI עם קצה פתוח וקבל את הערכים שלו (מהזיכרון שלו). לאחר מכן מצא את הערכים האמיתיים של אותם חומרים מזינים מ-USDA FoodData Central. השוו בין שני הסטים ורשמו בטבלה כמה סטייה יש בכל מאכל. טבלה זו תגלה את העיקרון של "אל תבטח בזיכרון, קישור למקור".

רשימת בדיקה

• [ ] את הערכים התזונתיים קיבלתי ממסד נתונים ידוע, לא מזיכרון הבינה המלאכותית.
• [ ] שמתי את ההגבלה על AI "לעבוד רק עם הנתונים הנתונים, אל תוסיף שום דבר".
• [ ] ביררתי לכל מאכל אם הוא נא או מבושל.
• [ ] המרתי את המנות לגרמים; לא השארתי "צלחת/חופן" מאחור.
• [ ] השתמשתי במקור אחד עקבי בתוך תוכנית.
• [ ] אימתתי את סכום הבינה המלאכותית על ידי הכפלתו חזרה.